【架构设计的艺术】Kafka如何通过精妙的架构设计优化JVM GC问题

nitenite

欢迎关注头条号：石杉的架构笔记
周一至周五早八点半！精品技术文章准时送上！！！
9 o' u* M- F* v4 L9 a1 n. X% v精品学习资料获取通道，参见文末
3 q, Z/ y: P5 N; k: q3 ^& V目录
( v4 x, F; E$ h: M5 J1、Kafka的客户端缓冲机制
" k( v& J1 e# T" R2、内存缓冲造成的频繁GC问题
3、Kafka设计者实现的缓冲池机制
4、总结一下
( ~3 k/ V) E5 h) B# N“ 这篇文章，同样给大家聊一个硬核的技术知识，我们通过Kafka内核源码中的一些设计思想，来看你设计Kafka架构的技术大牛，是怎么优化JVM的GC问题的？
! \: F% S& |4 `+ g% Q4 q1、Kafka的客户端缓冲机制
: l' P! q' {1 P* O$ K0 x$ V
1 a( d. f% z$ M) b4 h' J首先，先得给大家明确一个事情，那就是在客户端发送消息给kafka服务器的时候，一定是有一个内存缓冲机制的。
也就是说，消息会先写入一个内存缓冲中，然后直到多条消息组成了一个Batch，才会一次网络通信把Batch发送过去。
3 z. C9 q$ B# l整个过程如下图所示：


5 g* N7 @8 G1 d' C: w: l
: w  ?0 O$ `, y- L+ h& O; N2、内存缓冲造成的频繁GC问题

那么这种内存缓冲机制的本意，其实就是把多条消息组成一个Batch，一次网络请求就是一个Batch或者多个Batch。
( j# V" R6 `+ r% G) @这样每次网络请求都可以发送很多数据过去，避免了一条消息一次网络请求。从而提升了吞吐量，即单位时间内发送的数据量。
但是问题来了，大家可以思考一下，一个Batch中的数据，会取出来然后封装在底层的网络包里，通过网络发送出去到达Kafka服务器。
那么然后呢？这个Batch里的数据都发送过去了，现在Batch里的数据应该怎么处理？
1 @) c2 @# Y5 V' Y) t( ?$ [# O你要知道，这些Batch里的数据此时可还在客户端的JVM的内存里啊！那么此时从代码实现层面，一定会尝试避免任何变量去引用这些Batch对应的数据，然后尝试触发JVM自动回收掉这些内存垃圾。
9 n+ F! B' P& c3 Q6 b这样不断的让JVM回收垃圾，就可以不断的清理掉已经发送成功的Batch了，然后就可以不断的腾出来新的内存空间让后面新的数据来使用。
这种想法很好，但是实际线上运行的时候一定会有问题，最大的问题，就是JVM GC问题。
大家都知道一点，JVM GC在回收内存垃圾的时候，他会有一个“Stop the World”的过程，也就是垃圾回收线程运行的时候，会导致其他工作线程短暂的停顿，这样可以便于他自己安安静静的回收内存垃圾。
这个也很容易想明白，毕竟你要是在回收内存垃圾的时候，你的工作线程还在不断的往内存里写数据，制造更多的内存垃圾，那你让人家JVM怎么回收垃圾？
这就好比在大马路上，如果地上有很多垃圾，现在要把垃圾都扫干净，最好的办法是什么？大家都让开，把马路空出来，然后清洁工就是把垃圾清理干净。
但是如果清洁工在清扫垃圾的时候，结果一帮人在旁边不停的嗑瓜子扔瓜子壳，吃西瓜扔西瓜皮，不停的制造垃圾，你觉得清洁工内心啥感受？当然是很愤慨了，照这么搞，地上的垃圾永远的都搞不干净了！
/ H& n* r# \- M. r! \/ d* S( H' v" D通过了上面的语言描述，我们再来一张图，大家看看就更加清楚了
, M  Z# C4 O+ i5 h( d- A9 `
现在JVM GC是越来越先进，从CMS垃圾回收器到G1垃圾回收器，核心的目标之一就是不断的缩减垃圾回收的时候，导致其他工作线程停顿的时间。
所以现在越是新款的垃圾回收器导致工作线程停顿的时间越短，但是再怎么短，他也还是存在啊！
所以说，如何尽可能在自己的设计上避免JVM频繁的GC就是一个非常考验水平的事儿了。
- E* [9 w: H5 c* j3、Kafka设计者实现的缓冲池机制
3 [$ S# g, y. ?/ N
在Kafka客户端内部，对这个问题实现了一个非常优秀的机制，就是缓冲池的机制
, [; C7 x  C2 s6 P
; U/ {( ^9 m! s5 W+ p
4 _( }. ~# c2 h" b9 ]! ^; D简单来说，就是每个Batch底层都对应一块内存空间，这个内存空间就是专门用来存放写入进去的消息的。
然后呢，当一个Batch被发送到了kafka服务器，这个Batch的数据不再需要了，就意味着这个Batch的内存空间不再使用了。
此时这个Batch底层的内存空间不要交给JVM去垃圾回收，而是把这块内存空间给放入一个缓冲池里。
这个缓冲池里放了很多块内存空间，下次如果你又有一个新的Batch了，那么不就可以直接从这个缓冲池里获取一块内存空间就ok了？
然后如果一个Batch发送出去了之后，再把内存空间给人家还回来不就好了？以此类推，循环往复。
6 m" H5 Z' h+ t1 i同样，听完了上面的文字描述，再来一张图，看完这张图相信大伙儿就明白了：
. x- |- J, n- Z
一旦使用了这个缓冲池机制之后，就不涉及到频繁的大量内存的GC问题了。
$ Y# b7 W9 ?5 O" p! h/ y% t为什么呢？因为他可以上来就占用固定的内存，比如32MB。然后把32MB划分为N多个内存块，比如说一个内存块是16KB，这样的话这个缓冲池里就会有很多的内存块。
9 b- {$ d5 I/ P' Z  ?+ d5 L然后你需要创建一个新的Batch，就从缓冲池里取一个16KB的内存块就可以了，然后这个Batch就不断的写入消息，但是最多就是写16KB，因为Batch底层的内存块就16KB。
接着如果Batch被发送到Kafka服务器了，此时Batch底层的内存块就直接还回缓冲池就可以了。
/ m; S7 e2 P4 z' a$ {; y& y下次别人再要构建一个Batch的时候，再次使用缓冲池里的内存块就好了。这样就可以利用有限的内存，对他不停的反复重复的利用。因为如果你的Batch使用完了以后是把内存块还回到缓冲池中去，那么就不涉及到垃圾回收了。
1 u4 r8 Z- v# p/ _/ H( R2 O如果没有频繁的垃圾回收，自然就避免了频繁导致的工作线程的停顿了，JVM GC问题是不是就得到了大幅度的优化？
没错，正是这个设计思想让Kafka客户端的性能和吞吐量都非常的高，这里蕴含了大量的优秀的机制。
那么此时有人说了，如果我现在把一个缓冲池里的内存资源都占满了，现在缓冲池里暂时没有内存块了，怎么办呢？
3 _( |* T( L& X4 q1 ]% x, }$ T! V) H很简单，阻塞你的写入操作，不让你继续写入消息了。把你给阻塞住，不停的等待，直到有内存块释放出来，然后再继续让你写入消息。
, {& q; M7 T* ~4、总结一下
5 u+ I- i! C0 n* l6 D. n  r
这篇文章我们从Kafka内存缓冲机制的设计思路开始，一直分析到了JVM GC问题的产生原因以及恶劣的影响。
* h1 O* Z- S& B; v$ U% x接着谈到了Kafka优秀的缓冲池机制的设计思想以及他是如何解决这个问题的，分析了很多Kafka作者在设计的时候展现出的优秀的技术设计思想和能力。
希望大家多吸取这里的精华，在以后面试或者工作的时候，可以把这些优秀的思想纳为己用。
! \3 _. ~" T9 l( {2 y2 _) VEnd
/ U+ T% P% \1 d# |9 [5 ?3 {一大波微服务、分布式、高并发、高可用的原创系列文章正在路上,
9 n" o. m/ T7 z. l2 F  }欢迎关注头条号：石杉的架构笔记
周一至周五早八点半！精品技术文章准时送上！！！
! ~6 q$ C4 g( S0 h& a十余年BAT架构经验倾囊相授
5 t% M4 J# A  h$ Z. R& h  Y1 P2 Q

推荐阅读
9 E; {$ w' {( C6 y1、拜托！面试请不要再问我Spring Cloud底层原理！
8 ]5 X2 h' |$ K/ T& Z8 a: b2、微服务注册中心如何承载大型系统的千万级访问？
' P4 Z) k3 U- J- S, d! G3、「性能优化之道」每秒上万并发下的Spring Cloud参数优化实战
* l) {' k* X+ i: N7 ^4、「“剁手党”狂欢的背后」微服务架构如何保障99.99%的高可用？
  D: z' L' S  {1 h5 o5、兄弟，用大白话告诉你小白都能看懂的Hadoop架构原理
) w7 V& d' D1 a+ ^. t# @' ]6、大规模集群下Hadoop NameNode如何承载每秒上千次的高并发访问
7、「性能优化的秘密」Hadoop如何将TB级大文件的上传性能优化上百倍
8、拜托，面试请不要再问我TCC分布式事务的实现原理！
) k) O; P; }) A0 `* n9、最终一致性分布式事务如何保障实际生产中99.99%高可用？
$ E4 g5 s" n  Y/ z9 g  ^5 |6 H10、拜托，面试请不要再问我Redis分布式锁的实现原理
, k) T" ^2 Q8 o- \11、Hadoop底层算法如何优雅的将大规模集群性能提升10倍以上？
( I" D  H. H5 O0 n12、亿级流量系统架构之如何支撑百亿级数据的存储与计算
2 O5 P2 @4 n3 V  M% B3 O3 v13、亿级流量系统架构之如何设计高容错分布式计算系统
14、亿级流量系统架构之如何设计承载百亿流量的高性能架构
* ~4 T/ V0 N( c& O; P  M15、亿级流量系统架构之如何设计每秒十万查询的高并发架构
9 I( s9 q) A3 R5 Z- G9 q; \' N16、亿级流量系统架构之如何设计全链路99.99%高可用架构
' h: l6 K, m& y0 S0 B9 }17、七张图彻底讲清楚ZooKeeper分布式锁的实现原理
18、大白话聊聊Java并发面试问题之volatile到底是什么？
19、大白话聊聊Java并发面试问题之Java 8如何优化CAS性能？
1 [6 F4 H0 i2 i& }) |$ t20、大白话聊聊Java并发面试问题之谈谈你对AQS的理解？
21、大白话聊聊Java并发面试问题之微服务注册中心的读写锁优化
$ w1 Y9 l: ?0 j7 i22、互联网公司的面试官是如何360°无死角考察候选人的？（上篇）
; V8 z$ ]2 }, k0 o2 v( B23、互联网公司面试官是如何360°无死角考察候选人的？（下篇）
24、「Java进阶面试系列之一」你们系统架构中为何要引入消息中间件？
; A% d8 S+ O  \2 J7 `25、「Java进阶面试系列之二」系统架构引入消息中间件有什么缺点
6 ?) m3 F) u' c+ T/ Z26、「行走的Offer收割机」一位朋友斩获BAT技术专家Offer的面试经历
9 x7 S% Q3 @& y7 X( d4 A27、「Java进阶面试系列之三」消息中间件在你们项目里是如何落地的？
28、扎心！线上服务宕机时，如何保证数据100%不丢失？
29、 一次JVM FullGC的背后，竟隐藏着惊心动魄的线上生产事故！
4 B  t$ T) t0 \* _3 B2 M30、「高并发优化实践」10倍请求压力来袭，你的系统会被击垮吗？
2 X# h8 C" \( t0 g31、消息中间件集群崩溃，如何保证百万生产数据不丢失？
4 L# }; n9 e3 ?) z  o32、亿级流量系统架构之如何在上万并发场景下设计可扩展架构（上）？
33、亿级流量系统架构之如何在上万并发场景下设计可扩展架构（中）？
9 v2 t  {& G; E5 x; ^, Q34、亿级流量系统架构之如何在上万并发场景下设计可扩展架构（下）？
35、亿级流量架构第二弹：你的系统真的无懈可击吗？
36、亿级流量系统架构之如何保证百亿流量下的数据一致性（上）
37、亿级流量系统架构之如何保证百亿流量下的数据一致性（中）？
38、亿级流量系统架构之如何保证百亿流量下的数据一致性（下）？
5 x; V0 c$ q' U) Y1 k# N! [$ E39、互联网面试必杀：如何保证消息中间件全链路数据100%不丢失（1）
40、互联网面试必杀：如何保证消息中间件全链路数据100%不丢失（2）
41、面试大杀器：消息中间件如何实现消费吞吐量的百倍优化？
. k- K$ S  N" H; c! h" `( G42、兄弟，用大白话给你讲小白都能看懂的分布式系统容错架构
43、从团队自研的百万并发中间件系统的内核设计看Java并发性能优化
* X1 S3 O" ~6 P9 A8 }" ^2 ]1 s44、如果20万用户同时访问一个热点缓存，如何优化你的缓存架构？
% B7 N, p4 f& \9 U) V45、「非广告，纯干货」英语差的程序员如何才能无障碍阅读官方文档？
46、面试最让你手足无措的一个问题：你的系统如何支撑高并发？
47、Java进阶必备：优雅的告诉面试官消息中间件该如何实现高可用架构
0 x6 X6 t5 }- B" X+ Q- m5 Y1 m48、「非广告，纯干货」中小公司的Java工程师应该如何逆袭冲进BAT？
) V" S6 T9 o8 B9 l6 L49、拜托，面试请不要再问我分布式搜索引擎的架构原理！
/ }8 W( x1 B& S' X: n3 u. X50、互联网大厂Java面试题：使用无界队列的线程池会导致内存飙升吗？
; k/ ~$ c$ U7 q$ n6 S; o51、「码农打怪升级之路」行走江湖，你需要解锁哪些技能包？
52、「来自一线的血泪总结」你的系统上线时是否踩过这些坑？
53、【offer收割机必备】我简历上的Java项目都好low，怎么办？
. |& H( ?# v( v- t1 t54、【offer去哪了】我一连面试了十个Java岗，统统石沉大海！
! x' z7 C  M' `, f, v2 E/ M1 B55、支撑日活百万用户的高并发系统，应该如何设计其数据库架构？
+ V6 K6 n0 L6 Z56、高阶Java开发必备：分布式系统的唯一id生成算法你了解吗？
57、尴尬了！Spring Cloud微服务注册中心Eureka 2.x停止维护了咋办？
8 e8 [0 I+ p2 {7 g8 ~! y3 o( F58、【Java高阶必备】如何优化Spring Cloud微服务注册中心架构？
1 k6 d# L0 k+ t. a& e2 Y; T59、面试官：消息中间件如何实现每秒几十万的高并发写入？
60、【非广告，纯干货】三四十岁大龄程序员，该如何保持职场竞争力？
61、面试官：请谈谈写入消息中间件的数据，如何保证不丢失？
62、【生产实践总结】支撑百万连接的系统应该如何设计其高并发架构？
/ [7 @1 T. u. Z5 Q5 v63、面对BAT大厂的竞争对手时，小公司Java工程师是如何败北的？
64、【纯干货分享】小公司出身的我，是如何拿下知名独角兽公司offer
65、用小白都能看懂的大白话告诉你：什么是分布式计算系统？
66、老司机生产实践经验：线上系统的JVM内存是越大越好吗？
67、Java同学找工作最懵圈的问题：到底啥是分布式系统开发经验？
67、尴尬的面试现场：说说你们系统有多大QPS？系统如何抗住高并发？
5 O" H( ]) J) X: x* a( m68、分享一套GitHub上stars 10000+的Java面试题（含解析）
69、小公司面试10连挂之后，我拿到了互联网一线大厂offer！
70、【架构设计之道】这波操作，会把你的中间件架构带到另一个Level
% |0 P  l2 |1 A7 ^9 [71、三年努力，梦归阿里！
) B8 E9 J6 V+ R# @9 K; L72、阿里三面，P9面试官是如何360°无死角考察候选人的？
73、如果让你设计一个消息中间件，如何将网络通信性能优化10倍以上？
) ]$ Z, d6 b- f6 X74、简历写Kafka，面试官大概率会让你讲acks参数对消息持久化的影响
# M6 f  c0 s9 S: N: ~/ M75、【嗅探底层】深入揭秘Synchronized在JVM是如何实现的？
4 _& u9 ]$ u' r7 z: o3 l76、面经分享:斩获7枚offer，入职阿里平台事业部！
, s. t* s+ k' O# N0 B5 k

; ~% x2 ]* h: [& b! h4 b+ q8 U: q来源：https://www.toutiao.com/a6687543307867783691/
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！